注意：都是使用测试数据进行评估，不使用训练数据
1.残差图
使用原因：如果是一维或者是二维参数的线性回归，是可以通过绘制图像直观地看出测试数据的真实值与模型（直线或超平面）的差值，但是超过二维，将无法（很难）在我们的三维世界中绘制出来，不能直观地看出训练出线性回归模型的性能好坏，此时可以使用残差图直观地观测和评估性能。
其中：
残差 -> 真实值 - 预测值 =
残差图是残差()关于预测值
的图像，并且好的回归
优点：可对回归模型进行评估、获取模型的异常值，同时还可以检查模型是否是线性，以及误差是否随机分布。
2.均方误差（Mean Squared Error, MSE）
先要提到SSE（最小化误差平方和 Sum of Squares for Error）
其中：
n是数据的条数
MSE是SSE代价函数的平均值
MSE越接近0模型的性能越好，但是不全面
3.决定系数（coefficient of determination）（）
可以看做是MSE的标准版本，先要提到SST（误差平方和）
，可以反映y的波动程度
再看的表达式
其中：
表示的是y的波动程度，
越大，y的波动程度越大（即数据的方差越大，数据波动越大，比如说有2条数据：1.0、1.1、0.9、1.0和0.0、42.1、232.1、42.1，第一条如果预测出来的是正确的如：1.0，则不会有多厉害，但如果是第二条数据中预测出来的如：43.3是正确的，那就很厉害了，因为第二条的数据整体分布很大，也预测对了）
刚才由2提到MSE越小，性能越好，现在由如果即使在
小（越无波动）的情况下，
也很小，则具有更广泛的说服能力，于是
越接近于1，模型性能越好。
